摘要:对分类算法中需要解决的关键问题进行了分析; 综述了不同分类算法的思想和特性, 决策树分类算法能够很好地处理噪声数据, 但只对规模较小训练样本集有效; 贝叶斯分类算法精度高、 速度快, 错误率低, 但分类不够准确;传统的基于关联规则算法分类准确率高, 但容易受硬件内存的制约; 支持向量机算法分类准确率高、 复杂度低, 但速度慢。针对各种分类算法的缺陷, 结合其优点, 论述了当前一些速度更快、 准确率更高、 能实现更好分类效果的新算法, 如多决策树综合技术、 基于先验信息和信息增益的混合分类算法, 基于粗糙集和遗传算法的神经网络分类算法等; 对数据挖掘分类算法作了展望, 提出今后的研究重点。